问题标签 [mle]

给定这个数据集：

颜色 | 尺寸

红色 | 大的

白色 | 小的

红色 | 大的

红色 | 小的

白色 | 大的

红色 | 大的

和以下贝叶斯网络：Color --> Size，我应该找到贝叶斯网络的最大似然参数。估算器会是什么？我不知道如何在这里继续，所以任何帮助将不胜感激。

'initial value in vmmim is not finite'我知道在尝试为对象拟合参数时，网络上充斥着关于错误的问题（和答案）mle2。创建对象时我没有出现此错误mle2，但在尝试从mle2对象中查找参数的 95% CI 时确实出现此错误。

这是一个可重现的示例：

以下是数据：

这是mle2对象的创建（没有警告......）

这里是我得到一个 NA 和我vmmin对参数下限的警告b：

我尝试更改起始值，但我尝试过的没有任何帮助。我创建了具有相同数据但分布不同且没有错误的其他模型。谁能帮我弄清楚是什么导致了这个错误？

使用包bbmle-1.0.17

我正在对气象数据进行极值分析，以精确计算以 mm/d 为单位的降水数据。我正在使用阈值过量方法来估计具有最大似然法的广义帕累托分布的参数。

目的是计算每日降水的几个回归水平（即 2、5、10、20、50、100 年事件）。

虽然 R 代码工作正常，但我想知道为什么在根据具有不同包的拟合 GPD 的分位数计算返回水平时，我会得到明显不同的结果。尽管 GPD 的估计参数在每个包中几乎相同，但分位数差异很大。

我使用的包是：ismev、extRemes、evir 和 POT。

我猜对 GPD 参数的不同估计是由于不同的计算例程造成的，但我不明白为什么分位数的计算因不同的包而有很大差异。

虽然 lmom、evir 和 POT 返回相同的分位数值，但从 extRemes 包派生的返回周期与其他结果不同。

我正在尝试学习 Python 中的优化，所以我编写了一些代码来测试 fmin 函数。

但是我不断收到以下错误：

我可以说这个问题与我的论点有关，但我不确定如何纠正它。我也尝试定义一个函数，而不是一个 lambda 函数，但我仍然得到同样的错误。

我确定这是非常基本的东西，但我似乎无法理解。任何帮助将不胜感激！

我在 R 中遇到了最大似然的问题，希望你能帮助我。在代码中，Nt 代表观察到的索赔计数，vt 代表相应的数量。

首先我假设一个泊松分布。所以我用 mle 估计了 lambda 并得到了 0.10224。然后我尝试用 fitdistr 估计 l​​ambda，结果是 1022.4。为什么这两个功能之间有区别？我该如何纠正？

后来我尝试使用相同的数据来估计负二项式的参数。但我还没有让它工作。你能看出我做错了什么吗？lambda 和 gamma 的起始值只是我选择的随机数。

I want to calibrate jointly the drift mu and volatility sigma of a geometric brownian motion,

where Z_t is a standard normally distributed random variable, and am testing this by generating data x = log(S_t) via

and my (log-)likelihood function

which I maximize using fmincon (because sigma is constrained to be positive), with starting values 0.15 and 0.3, true values 0.1 and 0.2, and N = Nt = 1000 or 100000 generated points over one year (=> Deltat = 0.0001 or 0.000001).

Calibrating the volatility alone yields a nice likelihood function with a maximum around the true parameter, but for small Deltat (less than say 0.1) calibrating both mu and sigma persistently shows a (log-)likelihood surface being very flat in mu (at least around the true parameter); I would expect also a maximum there; for a reason I think it should be possible to calibrate a GBM model to a data series of 100 stock prices in a year, making the average of Deltat = 0.01.

Any sharing of experience or help is greatly appreciated (thoughts passing through my mind: the likelihood function is not right / this is a normal behaviour / too few data points / data generation is not correct / ...?).
Thanks!

嗨，我想使用 matlab 中的内置函数对我的参数进行 MLE 估计。这是 matlab 所说的：

我不知道如何使用矢量“数据”。假设我有 340 个观察值给出 0 ， 120 个观察值在 2 和 90 个观察值在 10

那么矢量应该是什么样子呢？[340,0,120,0,0,0,0,0,0,0,90] ? 我对此表示怀疑。我只想知道向量的“结构”

我想定义我自己的密度函数，以在对mle2from包R的公式调用中使用。bbmle模型的参数是估计的，但我不能在返回的对象上应用residuals或应用函数。predictmle2

这是一个示例，其中我为简单的 Poisson 模型定义了一个函数。

在myfit中，lambda 被正确估计，但是当我在 上调用残差时myfit，我收到一条错误消息：

另一方面，如果我简单地使用R的内置dpois函数按如下方式拟合模型，则会计算残差：

谁能告诉我我在函数定义中做错了myf什么？

谢谢

我想知道是否有人知道一个 python 包，它实现了 MLE 来估计 Dirichlet 分布的参数。

我已经对我在 matlab 中使用 fminunc 函数的一些数据进行了 MLE 拟合，并根据 Hessian 输出估计了参数置信区间。有没有人有一种方法可以在拟合曲线周围生成 95% 的置信带？